2.2 数字孪生
DT是部署在现场的物联网设备的虚拟复制品。这个概念与创建物理实体或过程的模型（模拟）以了解其表现行为的过程非常相似。本书中使用的DT符号如下图所示：
图2.3——DT模式的符号
DT是物联网背景下的一种重要模式，因为数据可能通过不可靠的通信信道（间歇性连接）在中央服务器和现场设备之间传输。此外，现场设备可能会选择休眠，并且只在特定时间内更新以节省能量。因此，DT还用于将用户从现场设备的当前状态（唤醒、睡眠等）和通信信道的细微差别中抽象出来。 DT还提供了一种封装机制，用户可以在不关心现场设备的实际状态和/或连接约束的情况下查看和设置状态。从这种方式来看，DT将设备的实际状态与其虚拟表示解耦。 定义DT的一种方法是将其视为物理实体的活模型。
事实上，这个定义列出了两个独立的特征： 生活：这一特性表明，物理实体的模型不断地被与物理实体的物理/实际特性相对应的变化所补充。因此，物理实体没有及时更新其状态的情况（这可能是由于多种原因，包括为了节省现场设备的电池电量）不应被视为真正的DT 模型：这个特性是DT对物理实体进行有效建模的能力。DT可以帮助您全面理解物理实体（或物理现象）。就像任何软件系统的情况一样，没有完美的体系结构；任何有助于我们理解物理过程或环境细微差别的模型（或图表）都可以称为软件系统的模型。 DT显示了所考虑的设备对其外部刺激的行为，以及设备的内部部件如何相互作用以表现出观察到的行为。
为了满足这一期望，设备必须将其当前状态传达给DT，而不会显著延迟到中央服务器。从这个角度来看，DT是一种从远程位置查看和更新物联网设备状态的机制。DT一方面镜像设备状态，另一方面允许您远程控制设备。 然而，当设备和它的双胞胎在太空中相隔合理的物理距离时，一定程度的滞后是不可避免的。
考虑到参考架构和DT通常托管在云中（或私有数据中心）的事实，在通信层中可以观察到这些延迟。 可以设想不同的架构来实现这种模式，并且可以基于DT能够及时和准确地预测设备的状态来测量/比较它们的适用性。DT处理这一问题所需的时间最好是最小的且具有确定性。此外，设备和DT之间同步的参数越多，它将越紧密地复制设备的状态和行为。 来自被监控实体的任何输入数据都会发送到DT。
处理完数据后，DT发回一个命令控制，如下图所示，其中来自制造厂传送带的数据被输入DT：
图2.4——设备和DT之间的数据/控制命令相互作用
如上图所示，输入数据可以进一步分类如下： 与被监控实体相关的数据，即正在制造的零件的视频馈送。为了避免占用通信信道的带宽，在边缘分析视频馈送，只向DT发送相关通知（感兴趣的事件）。 传感器元数据（相机的状况、使用/操作特性等）。 工厂的环境条件（温度、湿度值表示部件制造的操作条件等）。 在分析输入数据后，DT向传送带发送控制/致动命令（用于启动/停止传送带或改变环境条件），以使制造输出处于所需的公差水平内。
正如您所看到的，设备本身可以是一个复杂的状态机，其中有许多子组件，它们之间有不同的内部和内部关系。这些子组件及其关系需要在DT中复制，以使设备整体可视化。DT的一个好处是，它允许您通过放大和缩小设备属性、子组件、关系等，在不同的抽象级别上查看设备的状态。子部件之间的关系可能会因环境因素而发生变化，同样的情况也需要反映在DT中。因此，除了定期向DT发布状态之外，设备还可能需要发布与实体的拓扑/关系相关的元数据。 除了抽象尺度之外，DT还应该包含一个时间尺度，它允许用户根据用户的需求来回（到过去的状态）（到预测或推断的状态）。根据设备的复杂性和所需的精度水平，这可能需要建立简单的回归/外推或复杂的AI/ML模型。 组织可以具有不同的DT实现成熟度级别。DT的实施是一个旅程，组织可以从一个基本的实施开始；随着时间的推移，DT可以演变成一个完整的实现。下图提供了一个实用的路线图，组织可以使用该路线图来评估其当前和目标DT成熟度级别：
图2.5-DT用于定义/跟踪当前/目标成熟度级别的实施成熟度级别
所有DT都应满足以下附加期望： 由于与DT的连接故障，设备数据传输可能会中断。在这种情况下，DT应该能够在没有接收到数据的时段内模拟数据（指示数据是模拟的而不是真实的）。同样，一旦建立了连接并恢复了数据传输，就需要用实际数据替换模拟数据。 DT应足够智能，以了解一旦重新建立连接，是否需要将致动命令推送到设备。这是因为在连接不可用期间，情况背景将发生变化。类似地，需要合并或合并致动命令以消除冗余致动（例如，不需要多次按下同一按钮）。
通常，DT不会孤立存在，而是会通过其他辅助或外部系统的数据进行扩充。通常，从这些设备获取的数据与现场设备的元数据有关（例如，安装日期、老化数据、性能特征等）。可以从其他外部系统获得另一组数据，以关联和/或验证现场设备报告的数据。例如，来自天气网站（外部系统）的数据可以用来预测是否需要灌溉田地，即使田地的土壤传感器报告的湿度水平低于正常水平。 DT不仅有助于可视化被监测设备的当前状态，还有助于可视化其过去（历史）状态和未来预期（推断）状态。
因此，DT用户应该能够在设备条件或状态方面执行过去或未来的时间旅行。类似地，用户应该能够向上扩展和向下扩展他们想要监视设备状态的抽象级别。向上缩放将涉及更多汇总或粗略的读数/值/状态，而向下缩放则表示需要获得更多原始或细粒度的读数。 与现实生活中一样，不同实体之间的关系可能会有所不同；例如，分层、一对一、一对多等等。以制造业为例，机器是一个部门的一部分，比如负责喷漆的部门，这些部门是更大组织的一部分。通常，在较高级别应用的策略预计会自动在较低级别应用，从而减少管理和法规遵从性工作。类似地，较低级别的状态或条件度量会自动滚动到较高级别。 在某些场景中，DT还可以启动基于特定/需求的查询，以了解和关联来自物理实体的观测数据。这将需要复杂的感测和致动命令序列。
一个例子是石油钻机的DT，在那里观察到石油生产中的一些异常。在这里，DT将对管道进行目视检查（使用配备摄像头的无人机），以了解并报告异常的实际原因。减少虚假警报是证明额外处理和基础设施合理的一个好处。 通过利用AI/ML等技术，以及插值、外推、回归等传统数学工具/方法，DT可以提升到一个新的水平，如以下示例所示： 在精准农业/智能农业中，可以通过将作物与预期增长率（实际增长与预期增长）进行比较，更有效地监测作物的增长。另一种情况可能是比较不同农民在相似环境条件下种植的作物的生长速度。 DT可以通过跟踪血糖水平、血压等领先指标，在监测和增强人类福祉方面发挥关键作用。先进的分析和启发式技术可以提供与衰老、未来健康、预期寿命等相关的有价值的见解。 DT可以帮助创建自我修复系统，将适当的指令发送到机器，以纠正已经发生或预计在未来发生的故障。 重要提示 DT提供的功能将取决于设想的用例、硬件/软件能力、预期延迟和可用带宽等因素。
模式摘要
DT的模式摘要如下：
解决的问题：
商业:
利用模拟或实时传感器数据，基于数字资产和运营准确规划场景
通过模拟DT上的压力条件来了解资产和运营的行为
提前预测停机时间和故障
使用所需的资产和流程状态远程控制资产和流程的功能
支持半自主和完全自主操作
提供一个平台，用于分析现场设备的数据并启动设备操作
查看现场设备的历史状态，以及可能的未来或预测状态
提供设备状态的抽象和用于设置设备状态的统一接口
从中心位置查看和设置现场设备的值
在投资于实际的系统实施之前，模拟系统的行为，以了解潜在的收益和性能或效率问题
分析产品及其运营环境，以确定产品改进机会
在综合视图中监控现场设备的当前和/或历史状态
技术：
资产和流程的高级（3D）可视化
可扩展的DT数据模型，可覆盖多个资产和流程
将DT扩展到跨组织的数字线程
为物联网传感器数据提供上下文，并使用数据来了解资产和流程的行为
通过DT的条件模拟，对资产和流程的当前/报告状态的变化做出敏捷响应
无需在设备和中央服务器之间保持连续连接
提供现场设备的远程配置和推送固件更新
用法上下文：
了解和预测资产和机器的行为 通过同步所需状态和报告状态远程控制资产和流程。通常，DT将托管/部署在中央服务器上 与AI/ML组件集成以确定预测值 与外部系统集成，以丰富数据并响应ifquery 随着系统的发展，DT将需要支持更多的设备和场景。建议遵循基于微服务的架构，以避免潜在的可扩展性问题 使用DT以API的形式公开功能，因为不同的消费者（VR耳机、移动设备、web应用程序等）需要访问信息 需要身份验证、授权和基于角色的访问控制（RBAC）来支持具有不同信息需求的多个使用者角色
示例/使用场景： 在施工完成前了解建筑/设施的行为，包括空间利用、占用管理、暖通空调控制和能源管理
模式原理： 了解行为并远程控制资产和流程，使其在未来更具可预测性 提供现场设备的虚拟表示 避免中央服务器和现场设备之间需要连续的数据通信 提供一个统一的接口，用于访问与一组不同的信息消费者有关的信息
相关模式： 规则引擎
假设： 有效实施DT需要使用物联网传感器数据和3D可视化以及与资产、流程和操作相关的领域知识。 提供设备，并定义这些设备之间的关系。此外，在安装或配置设备时，会在现场设备上预先配置连接到DT的路径/路由。 DT将实现数据缓冲机制，数据将在用于数据分析/可视化目的之前进行规范化、过滤和准备。在输入端（数据在处理之前需要从多个设备暂存）和输出端（数据需要暂存，直到设备可以接受命令或恢复连接）都需要缓冲。 现场设备通信的数据按照标准协议发送给DT。在专有数据格式/协议的情况下，现场网关应执行所需的协议转换。传输的数据遵循监管/隐私规范，如GDPR。中央服务器应具有足够的计算和存储能力，以支持DT的功能需求。
注意事项： 您应该选择当前和目标DT成熟度级别进行实施，并选择从当前DT成熟度等级过渡到目标DT成熟程度等级的路线图 所选数据类型和数据捕获速率将有助于准确模拟设备的行为，相关传感器有助于捕获所需数据
反模式场景： 延迟相当大的场景 数据生成、分析和消耗将在本地完成的场景